-
Notifications
You must be signed in to change notification settings - Fork 1
/
trabalho2_am_clustering.py
277 lines (188 loc) · 9.38 KB
/
trabalho2_am_clustering.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
# -*- coding: utf-8 -*-
"""Trabalho2_AM_Clustering.ipynb
Automatically generated by Colaboratory.
Original file is located at
https://colab.research.google.com/drive/1dcTuiJgoOdeLTEEYVnHViyCoZ1wpF-y-
---
<p align="left">
<big>
<b>
<pre>
Camila Manara Ribeiro - RA: 760465
Júlia Aparecida Sousa de Oliveira - RA: 769707
Luciana Oliveira de Souza Gomes - RA: 743569
Rafael Vinicius Polato Passador - RA: 790036
</pre>
<br>
Disciplina: Aprendizado de Máquina
<br>
Professor: Prof. Dr. Diego Furtado Silva
<br>
</b>
</big>
</p>
---
# Carregando Bibliotecas necessárias
"""
# Commented out IPython magic to ensure Python compatibility.
# %matplotlib inline
import matplotlib.pyplot as plt
import seaborn as sns; sns.set() # for plot styling
import numpy as np
import pandas as pd
from pandas.plotting import andrews_curves
from sklearn.cluster import DBSCAN
from sklearn import metrics
from sklearn import preprocessing
from sklearn.cluster import KMeans
"""# Carregando Dataset"""
iris_dataset = pd.read_csv("Iris.csv")
iris_dataset
iris_dataset.head()
iris_dataset.columns
iris_dataset.isnull()
iris_dataset.describe()
""">**Gráfico de dispersão do comprimento e largura das sépalas**
"""
iris_dataset.plot(kind="scatter", x="SepalLengthCm", y="SepalWidthCm")
plt.show()
"""> **Gráfico de dispersão do comprimento e largura das pétalas**"""
iris_dataset.plot(kind="scatter", x="PetalLengthCm", y="PetalWidthCm")
plt.show()
"""> **Gráfico de Andrews das espécies**"""
andrews_curves(iris_dataset.drop("Id", axis=1), "Species")
plt.show()
"""# Modelando com K-means
O K-means é um algoritmo de agrupamento que visa particionar n observações em k agrupamentos.
1. **Inicialização** - K "meios" iniciais (centróides) são gerados aleatoriamente
2. **Atribuição** - K clusters são criados associando cada observação com o centróide mais próximo.
3. **Atualização** - O centróide dos clusters torna-se a nova média.
Atribuição e Atualização são repetidos iterativamente até a convergência.
O resultado é que a soma dos quadrados dos erros é minimizada entre os pontos e seus respectivos centróides. Usaremos o clustering do KMeans. Em primeiro lugar, encontraremos os clusters ideais com base na inércia e usando o método do cotovelo. A distância entre os centróides e os pontos de dados deve ser a menor.
"""
iris_dataset.drop('Id', axis=1, inplace=True)
iris_dataset.head()
"""Separamos os dados em duas variáveis:
* **especies_target**: os dados alvos que contem as espécies
* **clustering_data**: os dados de treinamento que contem os atributos utilizados para o clustering
"""
especies_target = iris_dataset.iloc[:,4]
especies_target.head()
clustering_data = iris_dataset.iloc[:,[0,1,2,3]]
clustering_data.head()
"""> **Representação gráfica das variáveis**"""
fig, ax = plt.subplots(figsize=(15,7))
sns.set(font_scale=1.5)
ax = sns.scatterplot(x=iris_dataset['SepalLengthCm'],y=iris_dataset['SepalWidthCm'], s=70, color='#0000ff', edgecolor='#0000ff', linewidth=0.3)
ax.set_ylabel('SepalWidthCm')
ax.set_xlabel('SepalLengthCm')
plt.title('Comprimento vs Largura das Sépalas', fontsize = 20)
plt.show()
"""## Modelo Pré-Elbow
>Como o K-means é um algoritimo não supervisionado, não utiliza os valores das classes para criar o modelo. Assim a variável X armazena apenas os valores dos atributos SepalLength, SepalWidth, PetalLength e PetalWidth.
"""
X = iris_dataset.iloc[:, 0:4].values
X
""">Inicialmente, vamos utilizar os valores padrão de paramentros da função Kmeans(), com o número de clusters = 8 e com o modo k-means++, em que os centroides são gerados de modo a favorecer a convergência.
>Além disso, o método fit() agrupa os dados e kmeans.cluster_centers mostra os centroides gerados, retornando um vetor com o número de instâncias igual ao número de clusters definido previamente.
"""
clustering = KMeans(n_clusters = 8, init = 'k-means++')
clustering.fit(X)
clustering.cluster_centers_
""">A função fit_transform() agrupa os dados retornando uma tabela de distâncias entre cada intância e o cluster gerado"""
tabela_distancia = clustering.fit_transform(X)
tabela_distancia
plt.scatter(X[:, 0], X[:,1], s = 100, c = clustering.labels_)
plt.scatter(clustering.cluster_centers_[:, 0], clustering.cluster_centers_[:, 1], s = 300, c = 'red',label = 'Centroids')
plt.title('Iris Clusters and Centroids')
plt.xlabel('SepalLength')
plt.ylabel('SepalWidth')
plt.legend()
plt.show()
"""##Método Elbow
Esse método realiza o agrupamento de k-means no dataset considerando um intervalo de valores para k, sendo que cada um desses calcula uma pontuação média para os clusters.
Usualmente, esse cálculo é feito pela soma dos quadrados das distâncias de cada ponto ao centro que lhe foi atribuído.
Assim, a partir da plotagem da métrica, faz-se a determinação do melhor de valor k pela visualização no gráfico.
Ao observar a curva gerada tem-se um ponto de inflexão, o formato de “cotovelo” indicará o melhor k.
Esse método usa a soma de quadrados dentro do cluster (também chamado de wcss) em relação ao valor (número de clusters) para descobrir o valor ideal de grupos, a partir de teste da variância desses dados. Esse valor de k é considerado ideal, quando em caso de aumento do número de clusters não haja um valor significativo de ganho.
"""
wcss=[]
for i in range(1,11):
kmeans = KMeans(i)
kmeans.fit(clustering_data)
wcss.append(kmeans.inertia_)
np.array(wcss)
fig, ax = plt.subplots(figsize=(14,8))
ax = plt.plot(range(1,11),wcss, linewidth=3, color="blue", marker ="8")
plt.axvline(x=3, ls='--')
plt.ylabel('Soma de quadrados dentro do cluster')
plt.xlabel('No. de Clusters (k)')
plt.title('Método Elbow', fontsize = 20)
plt.show()
"""##Modelo Pós-Elbow
Como determinamos o número otimizado de clusters para o nosso conjunto de dados, cria-se um novo modelo com n_clusters=3.
"""
clustering_elbow = KMeans(n_clusters=3, init='k-means++')
clustering_elbow.fit(clustering_data)
clusters = clustering_data.copy()
clusters['Cluster_Prediction'] = clustering_elbow.fit_predict(clustering_data)
clusters.head()
""">Aqui, vemos o novo vetor de centroides dos clusters gerados"""
clustering_elbow.cluster_centers_
fig, ax = plt.subplots(figsize=(15,7))
plt.scatter(x=clusters[clusters['Cluster_Prediction'] == 0]['SepalLengthCm'],
y=clusters[clusters['Cluster_Prediction'] == 0]['SepalWidthCm'],
s=70,edgecolor='teal', linewidth=0.3, c='teal', label='Iris-versicolor')
plt.scatter(x=clusters[clusters['Cluster_Prediction'] == 1]['SepalLengthCm'],
y=clusters[clusters['Cluster_Prediction'] == 1]['SepalWidthCm'],
s=70,edgecolor='lime', linewidth=0.3, c='lime', label='Iris-setosa')
plt.scatter(x=clusters[clusters['Cluster_Prediction'] == 2]['SepalLengthCm'],
y=clusters[clusters['Cluster_Prediction'] == 2]['SepalWidthCm'],
s=70,edgecolor='magenta', linewidth=0.3, c='magenta', label='Iris-virginica')
plt.scatter(x=clustering_elbow.cluster_centers_[:, 0], y=clustering_elbow.cluster_centers_[:, 1], s = 170, c = 'yellow', label = 'Centroids',edgecolor='black', linewidth=0.3)
plt.legend(loc='upper left')
plt.xlim(4,8)
plt.ylim(1.8,4.5)
ax.set_ylabel('Sepal Width (in cm)')
ax.set_xlabel('Sepal Length (in cm)')
plt.title('Clusters', fontsize = 20)
plt.show()
"""# DBSCAN
DBSCAN significa Clustering Espacial de Aplicatições com Ruído baseado em densidade. Pode-se perceber a partir de seu nome que divide o conjunto de dados em subgrupos com base em regiões densas. O DBSCAN não exige que forneçamos vários clusters antecipadamente.
Definimos 3 tipos diferentes de pontos para DBSCAN:
* Pontos centrais: Um ponto central é um ponto que tem pelo menos um número mínimo de outros pontos (MinPts) em seu épsilon de raio.
* Pontos de fronteira: Um ponto de fronteira é um ponto que não é um
ponto central, uma vez que não tem MinPts suficiente em sua vizinhança, mas fica dentro do raio épsilon de um ponto central.
* Pontos de ruído: Todos os outros pontos que não são pontos centrais nem pontos de fronteira.
"""
atributos = iris_dataset.iloc[:,0:4]
especies = iris_dataset.iloc[:,4:]
le = preprocessing.LabelEncoder()
Y = le.fit_transform(especies)
Y
db = DBSCAN(eps=0.7,min_samples=2,algorithm='kd_tree').fit(atributos)
core_samples_mask = np.zeros_like(db.labels_, dtype=bool)
core_samples_mask[db.core_sample_indices_] = True
labels = db.labels_
n_clusters_ = len(set(labels)) - (1 if -1 in labels else 0)
n_noise_ = list(labels).count(-1)
print('Número estimado de clusters: %d' % n_clusters_)
print('Número estimado de pontos de ruído: %d' % n_noise_)
print("Homogeneidade: %0.3f" % metrics.homogeneity_score(Y, labels))
unique_labels = set(labels)
colors = [plt.cm.Spectral(each)
for each in np.linspace(0, 1, len(unique_labels))]
for k,col in zip(unique_labels, colors):
if k == -1:
col=[0,0,0,1]
class_member_mask = (labels == k)
xy = atributos[class_member_mask & core_samples_mask]
xy = xy.values
plt.plot(xy[:,0:2], xy[:,2:4], 'o', markerfacecolor=tuple(col),
markeredgecolor='k', markersize = 14)
xy = atributos[class_member_mask & ~core_samples_mask]
xy = xy.values
plt.plot(xy[:,2], xy[:,1], 'o', markerfacecolor=tuple(col),
markeredgecolor='k', markersize = 14)
plt.title('Número estimado de clusters: %d' % n_clusters_)
plt.show()